RU193607U1 - Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей - Google Patents

Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей Download PDF

Info

Publication number
RU193607U1
RU193607U1 RU2019116440U RU2019116440U RU193607U1 RU 193607 U1 RU193607 U1 RU 193607U1 RU 2019116440 U RU2019116440 U RU 2019116440U RU 2019116440 U RU2019116440 U RU 2019116440U RU 193607 U1 RU193607 U1 RU 193607U1
Authority
RU
Russia
Prior art keywords
block
input
output
unit
neuroidentifier
Prior art date
Application number
RU2019116440U
Other languages
English (en)
Inventor
Михаил Петрович Белов
Хыу Фыонг Чан
Ван Лань Нгуен
Original Assignee
Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" filed Critical Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)"
Priority to RU2019116440U priority Critical patent/RU193607U1/ru
Application granted granted Critical
Publication of RU193607U1 publication Critical patent/RU193607U1/ru

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D3/00—Control of position or direction
    • G05D3/12—Control of position or direction using feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Feedback Control In General (AREA)

Abstract

Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей относится к области систем автоматического управления с обратной связью электроприводом объектов, характеризующихся изменениями параметров, нелинейностью характеристик, а также воздействием на них случайных неопределенных внешних возмущений представленных, например, в виде белого или цветного шумов. Полезная модель направлена на повышение устойчивости и качества работы системы управления электроприводом объекта, находящегося под воздействием внешних возмущений. Технический результат, заключающийся в повышении точности и динамики системы управления, достигается за счет того, что в устройство управления, содержащее соединенные последовательно задающее устройство, первый блок суммирования, блок оптимизатора, блок приводного преобразователя, выход которого предназначен для подключения ко входу объекта управления, находящегося под воздействием внешних возмущений, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов, и блок нейроидентификатора состояния, второй вход которого предназначен для подключения к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора состояния подключен ко второму входу второго блока суммирования, дополнительно введен блок нейроидентификатора внешних возмущений, первый вход которого подключения к выходу блока приводного преобразователя, второй вход предназначен для подключения к выходу объекта управления и соединен с первым входом второго блока суммирования, выход блока нейроидентификатора внешних возмущений подключен к первому входу блока нейроидентификатора состояния, а также введен блок линеаризации, выход которого соединен с входом блока прогнозирующих моделей, первый вход блока линеаризации соединен с выходом блока нейроидентификатора состояния, а второй вход соединен с выходом блока нейроидентификатора внешних возмущений.

Description

Полезная модель относится к области систем автоматического управления с обратной связью электроприводом объектов, характеризующихся изменениями параметров, нелинейностью характеристик, а также воздействием на них случайных неопределенных внешних возмущений представленных, например, в виде белого или цветного шумов.
В настоящее время известна система автоматического управления объектами с самонастраивающимся ПИД-регулятором (патент №2419122, МПК: G05B 13/02 (2006.01), опубл. 20.05.2011 г.), содержащая последовательно связанные ПИД-регулятор, подключенный к входу объекта управления и к первому входу идентификатора, выход объекта управления соединен со вторым входом идентификатора, выход которого соединен со входом синтезатора, а также И-регулятор, блок управления и блок самонастройки амплитуд испытательного сигнала, генератор испытательного сигнала настроен так, чтобы периоды испытательных частот были кратны периоду дискретности.
Недостатком данной системы управления является ограниченный диапазон устойчивости работы системы при больших изменениях внешних возмущений, связанный с отсутствием реализации оптимального управления.
Известно также устройство управления с настраиваемыми параметрами на основе нейронных сетей (патент №111914, МПК: G05B 13/00, опубл. 27.12.2011 г.). Данное устройство содержится блок оптимального управления, на вход которого подается сигнал задания и выходной сигнал нейроклассификатора, интеллектуальный регулятор, выход которого подключен к входу объекта управления, вход интеллектуального регулятора подключен к выходу блока оптимального управления, к выходу объекта управления и к выходу блока временных задержек, вход блока временных задержек соединен с выходом объекта управления, вход нейроклассификатора подключен к выходу объекта управления и к выходу блока временных задержек, введены интеллектуальный регулятор на основе трехслойного персептрона и нейроклассификатор на основе нейронной сети Кохонена.
Недостатком известного устройства является медленная скорость оптимизации и склонность к преждевременной сходимости вследствие попадания в область локального минимума при обучении нейронных сетей Кохонена с алгоритмом обратного распространения ошибки.
Наиболее близким по технической сущности к заявляемой полезной модели является устройство управления электроприводом нелинейных объектов на основе нейронных сетей (патент №186950, МПК: G05D 3/12, G05B 13/00, G06N 3/02 опубл. 11.02.2019 г.). Данное устройство содержит блок весовых коэффициентов, а также последовательно соединенные задающее устройство, первый блок суммирования, блок оптимизатора и блок приводного преобразователя, выход которого подключен к объекту управления, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов, и блок нейроидентификатора состояния, первый вход которого предназначен для подключения к выходу объекта управления и к первому входу второго блока суммирования, второй вход подключен к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора подключен ко второму входу второго блока суммирования и к входу блока прогнозирующих моделей.
Недостатком известного устройства является снижение точности динамических характеристик системы управления при наличии внешних возмущений, связанный с отсутствием их оценки.
Задачей, на решение которой направлена заявляемая полезная модель является повышение устойчивости и качества работы системы управления электроприводом объекта, находящегося под воздействием внешних возмущений.
Технический результат заключается в повышении точности и динамики системы управления путем восстановления оценки значений внешних возмущений, воздействующих на объект управления и введения сигнала обратной связи оценки текущих внешних возмущений в закон автоматического управления для устранения их отрицательного влияния на качество работы системы управления.
Указанный технический результат достигается за счет того, что в устройство управления, содержащее соединенные последовательно задающее устройство, первый блок суммирования, блок оптимизатора, блок приводного преобразователя, выход которого предназначен для подключения ко входу объекта управления, находящегося под воздействием внешних возмущений, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов, и блок нейроидентификатора состояния, второй вход которого предназначен для подключения к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора состояния подключен ко второму входу второго блока суммирования, дополнительно введен блок нейроидентификатора внешних возмущений, первый вход которого подключения к выходу блока приводного преобразователя, второй вход предназначен для подключения к выходу объекта управления и соединен с первым входом второго блока суммирования, выход блока нейроидентификатора внешних возмущений подключен к первому входу блока нейроидентификатора состояния, а также введен блок линеаризации, выход которого соединен с входом блока прогнозирующих моделей, первый вход блока линеаризации соединен с выходом блока нейроидентификатора состояния, а второй вход соединен с выходом блока нейроидентификатора внешних возмущений.
Сущность технического решения поясняется чертежом (фиг.), на котором представлена структурная схема устройства управления электроприводом объекта. На чертеже изображено:
1 - задающее устройство (ЗУ);
2 - первый блок суммирования (ПБС);
3 - блок оптимизатора (БО);
4 - блок функционала качества (БФК);
5 - блок прогнозирующих моделей (БПМ);
6 - блок приводного преобразователя (БПП);
7 - объект управления (ОУ);
8 - второй блок суммирования (ВБС);
9 - блок нейроидентификатора состояния (БНИС);
10 - блок весовых коэффициентов (БВК);
11 - блок нейроидентификатора внешних возмущений (БНИВВ);
12 - блок линеаризации (БЛ).
Устройство управления электроприводом объекта, (см. фиг.), содержит связанные последовательно задающее устройство 1 (ЗУ), первый блок суммирования 2 (ПБС), блок оптимизатора 3 (БО), блок приводного преобразователя 6 (БПП), выход которого предназначен для подключения к объекту управления 7 (ОУ), блок функционала качества 4 (БФК), выход которого соединен со вторым входом блока оптимизатора 3 (БО), блок прогнозирующих моделей 5 (БПМ), выход которого подключен ко второму входу первого блока суммирования 2 (ПБС), блок линеаризации 12 (БЛ), выход которого соединен со входом блока прогнозирующих моделей 5 (БПМ), блок нейроидентификатора внешних возмущений 11 (БНИВВ), первый вход которого подключен к выходу блока приводного преобразователя 6 (БПП), второй вход предназначен для подключения к выходу объекта управления 7 (ОУ) и к первому входу второго блока суммирования 8 (ВБС), выход блока нейроидентификатора внешних возмущений 11 (БНИВВ) предназначен для подключения к первому входу блока нейроидентификатора состояния 9 (БНИС) и ко второму входу блока линеаризации 12 (БЛ), второй блок суммирования 8 (ВБС), выход которого подключен ко входу блока весовых коэффициентов 10 (БВК) и блок нейроидентификатора состояния 9 (БНИС), второй вход которого подключен к выходу блока приводного преобразователя 6 (БПП), третий вход подключен к выходу блока весовых коэффициентов 10 (БВК), выход блока нейроидентификатора состояния 9 (БНИС) подключен ко второму входу второго блока суммирования 8 (ВБС) и к первому входу блока линеаризации 12 (БЛ).
При этом блок оптимизатора 3 (БО), блок функционала качества 4 (БФК), блок линеаризации 12 (БЛ) и блок прогнозирующих моделей 5 (БПМ) выполняют функцию цифрового адаптивного прогнозирующего регулятора. Объект управления 7 (ОУ), находится под воздействием внешних возмущений представленных, например, в виде белого или цветного шумов. Для восстановления оценки значений внешних возмущений используется блок нейроидентификатора внешних возмущений И (БНИВВ). Из блока нейроидентификатора состояния 9 (БНИС) и блока весовых коэффициентов 10 (БВК) состоит нейросетевой наблюдатель состояния объекта управления.
Элементы устройства могут быть реализованы программно-аппаратным способом на основе промышленной базы. В качестве задающего устройства 1 (ЗУ) может быть использован цифровой генератор или промышленный ЭВМ, объектом управления 7 (ОУ) может выступать технологическое оборудование, функционирование которого во времени описано системой дифференциальных и алгебраических уравнений.
В качестве блока приводного преобразователя 6 (БПП) могут быть использованы транзисторные инверторы на IGBT транзисторах (преобразователь частоты) фирмы «OMRON» (Япония).
Для реализации блоков суммирования 2 (ПБС), 8 (ВБС), блока оптимизатора 3 (БО), блока функционала качества 4 (БФК), блока прогнозирующих моделей 5 (БПМ), блок нейроидентификатора состояния 9 (БНИС), блока весовых коэффициентов 10 (БВК), блока нейроидентификатора внешних возмущений 11 (БНИВВ) и блока линеаризации 12 (БЛ) могут быть использованы вычислительные и программные модули микроконтроллера фирмы «FASTWEL» (Россия).
Работает устройство управления электроприводом объекта следующим образом. Задающий сигнал управляющего воздействия формируется в задающем устройстве 1 (ЗУ), который подключается к первому блоку суммирования 2 (ПБС) для вычитания прогнозирующего сигнала отрицательной обратной связи. Прогнозирующий сигнал формируется блоком прогнозирующих моделей 5 (БПМ), в блоке которого синтезируются прогнозирующие модели по выходным сигналам объекта управления на определенное количество шагов вперед в течение горизонта предсказания. Эти прогнозирующие модели строятся как выражения будущих значений управляющих воздействий и многосвязных линеаризованных моделей с параметрами, зависящими от состояния объекта управления. Для вычисления коэффициентов линеаризованных моделей в блоке линеаризации 12 (БЛ) используются сигнал оценки внешних возмущений от выхода блока нейроидентификатора внешних возмущений 11 (БНИВВ) и сигнал оценки переменных состояния объекта управления от выхода блока нейроидентификатора состояний 9 (БНИС). Метод синтеза линеаризованных моделей с параметрами, зависящими от состояния, определяются на основе теории расширенной линеаризации нелинейных объектов [Афанасьев В.Н. Управление нелинейными неопределенными динамическими объектами // 1-е изд. М.: Ленард, 2015. - 224 с.].
Прогнозирующий сигнал рассогласования у выхода первого блока суммирования 2 (ПБС) поступает на блок оптимизатора 3 (БО), в блоке которого выполняется оптимизация программного управления по квазиньютоновскому критерию, выраженному в блоке функционала качества 4 (БФК). Критерий оптимизации в блоке функционала качества 4 (БФК) синтезируется таким образом, чтобы минимизировать среднеквадратичную ошибку регулирования между задающим управляющим сигналом и выходным сигналом блока прогнозирующих моделей 5 (БПМ) с заданной точностью. В результате получается найденный оптимальный управляющий сигнал, подключенный через блок приводного преобразователя 6 (БПП) к объекту управления 7 (ОУ).
Внешние возмущения, воздействующие на объект управления 7 (ОУ), определяются характером неопределенных нелинейностей. Математическая модель внешних возмущений успешно описывается теорией случайных процессов с нулевым средним, которая может быть определена по закону распределения вероятностей Гаусса. Сигнал с выхода объекта управления 7 (ОУ) поступает на первый вход второго блока суммирования 8 (ВБС) и второй вход блока нейроидентификатора внешних возмущений 11 (БНИВВ) для оценки значений внешних возмущений.
Оценка значений текущих внешних возмущений формируется в блоке нейроидентификатора внешних возмущений 11 (БНИВВ) с помощью известных алгоритмов идентификации, использующих нейронные сети. Построение нейроидентификатора для оценки текущих внешних возмущений связано с рядом следующих задач: выбор структуры нейронной сети, выбор числа слоев, выбор количества нейронов в слоях, выбор функции активации, выбор алгоритма обучения и выбор обучающего множества. Структура нейронной сети в блоке нейроидентификатора внешних возмущений 11 (БНИВВ) представляет собой частичную рекуррентную нейронную сеть, которая называется сетью Элмана [Бураков М.В. Нейронные сети и нейроконтроллеры: учеб. пособие // СПб.: ГУАП, 2013. - 284 с.]. Нейронная сеть Элмана продемонстрировала, что она оптимально подходит для идентификации случайных неопределенных нелинейностей. Нейронная сеть Элмана относится к классу многослойного перцептрона с локальными обратными связями задержек, замкнутыми от скрытых нейронов к контекстным нейронам. В этом случае, скрытые нейроны записывают свои предыдущие состояния, что позволяет сохранить выходную информацию скрытых нейронов на один или несколько тактов, после чего переводит их на входной слой. Рассмотрим нейронную сеть Элмана, состоящую из m входов, n нейронов скрытого слоя, охваченных обратными связями через элементы задержки и p нейронов выходного слоя. Вектор входного слоя сети Элмана x(k) на итерации k определяется выражением
x(k)=[u0(k), u1(k), …, um(k), ν1(k-1), …, νm(k-1)],
где u0(k), u1(k), …, um(k) - вектор входного сигнала сети; ν1(k-1), …, νm(k-1) - состояние нейронов скрытого слоя на предыдущей итерации k-1.
Состояние нейронов скрытого слоя описывается следующим образом
Figure 00000001
где
Figure 00000002
- синаптические весовые коэффициенты нейронов скрытого слоя;
Figure 00000003
- функции активации нейронов скрытого слоя.
Состояние нейронов выходного слоя определяется аналогично
Figure 00000004
где y0(k), y1(k), …, yp(k) - вектор выходного сигнала сети;
Figure 00000005
- синаптические весовые коэффициенты нейронов выходного слоя;
Figure 00000006
- функции активации нейронов выходного слоя.
В качестве функций активации двухслойной сети Элмана в скрытом слое используются сигмоидальные функции активации в виде гиперболического тангенса tansig, а в выходном слое - линейные функции purelin. Методом обучения рекуррентной нейронной сети Элмана является алгоритм обратного распространения Левенберга-Марквардта. Заметим, что в процессе обучения сети Элмана метод оптимизации Левенберга-Марквардта обладает высокой возможностью и быстро сходиться к оптимальному значению ошибки. В результате процесса обучения получаем сигнала оценки текущих внешних возмущений у выхода блока нейроидентификатора внешних возмущений 11 (БНИВВ), который подключен к первому входу блока линеаризации 12 (БЛ) для синтеза закона управления и к первому входу нейроидентификатора состояния 9 (БНИС) для восстановления вектора состояния объекта управления.
Восстановление полного вектора состояния объекта управления для синтеза линеаризованных моделей осуществляется наблюдателем состояния с помощью известных алгоритмов идентификации, использующих нейронные сети. Структура блока нейроидентификатора состояния 9 (БНИС) представляет собой рекуррентную нейронную сеть, основанную на «модели нелинейной авторегрессии с экзогенными входами» (Nonlinear Auto Regressive with Exogenous inputs), которая называется рекуррентной нейронной сетью NARX или моделью NARX [Хайкин С. Нейронные сети: полный курс // Пер. с англ. М.: Вильяме, 2006. С. 919-989]. Архитектурное строение модели NARX может принимать множество различных форм, но, самая простая форма, с использованием архитектурной нейронной сети с обратными связями. Эта модель имеет единственный вход, который применяется к памяти на линиях задержки, состоящих из du элементов. Она имеет единственный выход, замкнутый на вход через память на линиях задержки, которые также содержат dy элементы. Динамика модели NARX описывается следующим нелинейным уравнением типа «вход - выход»:
у(k)=σ{u(k), u(k-1), …, u(k-du), y(k-1), у(k-1), …, у(k-dy)},
где u(k) - вход модели NARX; у(k) - выход модели NARX; σ(⋅) -функции активации. При этом в структуре рекуррентной нейронной сети NARX содержатся два слоя. Первый слой - скрытый слой с сигмоидальными функциями активации в виде гиперболического тангенса tansig, второй слой - выходной слой с линейными функциями активации purelin. Методом обучения рекуррентной нейронной сети NARX является алгоритм обратного распространения ошибки во времени. Этот алгоритм является расширением стандартного алгоритма обратного распространения градиентного спуска и позволяет провести процесс обучения значительно быстрее и получить хорошую сходимость и лучшее обобщение. Сигнал рассогласования вектора состояний объекта управления у выхода второго блока суммирования 8 (ВБС) подключен к входу блока весовых коэффициентов 10 (БВК). В блоке весовых коэффициентов 10 (БВК) содержится матрица весовых коэффициентов функций активации нейронных сетей NARX для каждого класса из множества изменений параметров состояний объекта управления 7 (ОУ). Эта матрица весовых коэффициентов ставится каждому классу во взаимно-однозначное соответствие. При переходе структуры объекта управления 7 (ОУ) из одного класса в другой происходит замена матрицы весовых коэффициентов на матрицу весовых коэффициентов, соответствующую новому классу. В результате чего определяется восстанавливаемый сигнал полного вектора состояния объекта управления у выхода блока нейроидентификатора состояния 9 (БНИС), подключенного к входу блока линеаризации (БЛ) и ко второму входу второго блока суммирования 8 (ВБС). Процесс работы устройства управления продолжается до тех пор, пока не будет полностью отработано задающее управляющее воздействие.
В результате получаем улучшение устойчивости и обеспечивание качества работы системы управления электроприводом объекта, находящегося под воздействием внешних возмущений.

Claims (1)

  1. Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей, содержащее соединенные последовательно задающее устройство, первый блок суммирования, блок оптимизатора, блок приводного преобразователя, выход которого предназначен для подключения ко входу объекта управления, находящегося под воздействием внешних возмущений, а также блок функционала качества, выход которого соединен со вторым входом блока оптимизатора, блок прогнозирующих моделей, выход которого подключен ко второму входу первого блока суммирования, второй блок суммирования, выход которого подключен ко входу блока весовых коэффициентов, и блок нейроидентификатора состояния, второй вход которого подключен к выходу блока приводного преобразователя, а третий вход соединен с выходом блока весовых коэффициентов, выход блока нейроидентификатора состояния подключен ко второму входу второго блока суммирования, отличающееся тем, что в устройство дополнительно введен блок нейроидентификатора внешних возмущений, первый вход которого подключен к выходу блока приводного преобразователя, второй вход предназначен для подключения к выходу объекта управления и соединен с первым входом второго блока суммирования, выход блока нейроидентификатора внешних возмущений подключен к первому входу блока нейроидентификатора состояния, а также введен блок линеаризации, выход которого соединен с входом блока прогнозирующих моделей, первый вход блока линеаризации соединен с выходом блока нейроидентификатора состояния, а второй вход соединен с выходом блока нейроидентификатора внешних возмущений.
RU2019116440U 2019-05-28 2019-05-28 Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей RU193607U1 (ru)

Priority Applications (1)

Application Number Priority Date Filing Date Title
RU2019116440U RU193607U1 (ru) 2019-05-28 2019-05-28 Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
RU2019116440U RU193607U1 (ru) 2019-05-28 2019-05-28 Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей

Publications (1)

Publication Number Publication Date
RU193607U1 true RU193607U1 (ru) 2019-11-06

Family

ID=68500040

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019116440U RU193607U1 (ru) 2019-05-28 2019-05-28 Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей

Country Status (1)

Country Link
RU (1) RU193607U1 (ru)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU59278U1 (ru) * 2006-07-24 2006-12-10 Государственное образовательное учреждение высшего профессионального образования Томский политехнический университет Система робастного оптимального управления дискретными объектами
WO2007075458A2 (en) * 2005-12-21 2007-07-05 Pegasus Technologies, Inc. Model based optimization of a single or multiple power generating units
US8068958B2 (en) * 2004-03-02 2011-11-29 Brose Fahrzeugteile Gmbh & Co Kg, Coburg Method for monitoring the adjustment movement of a component driven by a drive device
RU111914U1 (ru) * 2011-08-26 2011-12-27 Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" Система управления с настраиваемыми параметрами на основе нейронных сетей
RU150919U1 (ru) * 2014-07-08 2015-03-10 Дмитрий Маркович Шпрехер Устройство прогнозирования работоспособности многопараметрических электромеханических систем
RU186950U1 (ru) * 2018-09-25 2019-02-11 Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" Устройство управления электроприводом нелинейных объектов на основе нейронных сетей

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8068958B2 (en) * 2004-03-02 2011-11-29 Brose Fahrzeugteile Gmbh & Co Kg, Coburg Method for monitoring the adjustment movement of a component driven by a drive device
WO2007075458A2 (en) * 2005-12-21 2007-07-05 Pegasus Technologies, Inc. Model based optimization of a single or multiple power generating units
RU59278U1 (ru) * 2006-07-24 2006-12-10 Государственное образовательное учреждение высшего профессионального образования Томский политехнический университет Система робастного оптимального управления дискретными объектами
RU111914U1 (ru) * 2011-08-26 2011-12-27 Государственное образовательное учреждение высшего профессионального образования "Комсомольский-на-Амуре государственный технический университет" Система управления с настраиваемыми параметрами на основе нейронных сетей
RU150919U1 (ru) * 2014-07-08 2015-03-10 Дмитрий Маркович Шпрехер Устройство прогнозирования работоспособности многопараметрических электромеханических систем
RU186950U1 (ru) * 2018-09-25 2019-02-11 Федеральное государственное автономное образовательное учреждение высшего образования "Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина)" Устройство управления электроприводом нелинейных объектов на основе нейронных сетей

Similar Documents

Publication Publication Date Title
Pearlmutter Learning state space trajectories in recurrent neural networks
Hu et al. Finite-time stability for fractional-order complex-valued neural networks with time delay
Narayanan et al. Event-sampled output feedback control of robot manipulators using neural networks
EP3424650A1 (en) A method and apparatus for performing control of a movement of a robot arm
KR102577188B1 (ko) 목표 시스템에 대한 제어 시스템 생성
Natarajan et al. Online deep neural network-based feedback control of a Lutein bioprocess
CN112405542B (zh) 基于脑启发多任务学习的肌肉骨骼机器人控制方法及***
Rego et al. Lyapunov-based continuous-time nonlinear control using deep neural network applied to underactuated systems
RU2566979C1 (ru) Способ обучения искусственной нейронной сети
Alonso et al. A theoretical framework for inference learning
RU193607U1 (ru) Устройство управления электроприводом объекта, находящегося под воздействием внешних возмущений, на основе нейронных сетей
Oveisi et al. Nonlinear observer-based recurrent wavelet neuro-controller in disturbance rejection control of flexible structures
RU186950U1 (ru) Устройство управления электроприводом нелинейных объектов на основе нейронных сетей
Rowcliffe et al. Training spiking neuronal networks with applications in engineering tasks
JP2023085564A (ja) ニューラルネットワーク装置、処理方法およびプログラム
Feofilov et al. Application of Recurrent Neural Networks in Closed Loop Tracking Systems for Controlling Essentially Nonlinear Objects
Bahri et al. A multimodel emulator for nonlinear system controls
Krok The development of Kalman filter learning technique for artificial neural networks
Kumar et al. Performance Analysis of High Voltage Intelligent Supervisory Systems Using Neural Networks
Jafarian New artificial intelligence approach for solving fuzzy polynomial equations
Li et al. Robust sensorimotor control of human arm model under state-dependent noises, control-dependent noises and additive noises
EP4156026A1 (en) Signal processing method in a neural network
Szuster et al. Control of mechatronic systems
JPH0736505A (ja) 制御対象の同定・制御方法
Мигалев et al. Modeling the Learning of a Spiking Neural Network with Synaptic Delays